CN117036911A - 一种基于神经架构搜索的车辆再辨识轻量化方法及系统 - Google Patents
一种基于神经架构搜索的车辆再辨识轻量化方法及系统 Download PDFInfo
- Publication number
- CN117036911A CN117036911A CN202311301590.7A CN202311301590A CN117036911A CN 117036911 A CN117036911 A CN 117036911A CN 202311301590 A CN202311301590 A CN 202311301590A CN 117036911 A CN117036911 A CN 117036911A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- architecture
- identification
- lightweight
- generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001537 neural effect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 15
- 238000010200 validation analysis Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经架构搜索的车辆再辨识轻量化方法及系统,涉及计算机视觉与机器学习技术领域,方法包括:S1,构建网络模型,给定硬件约束以生成对应的架构生成器,利用测试集训练架构生成器;S2,将硬件约束输入到架构生成器,得到多个轻量化神经网络架构模型;S3,采集车辆再辨识数据并进行数据增强;S4,利用车辆再辨识数据集对轻量化神经网络架构模型进行训练及验证,选择效果最好的作为轻量化车辆再辨识网络;S5,基于轻量化车辆再辨识网络进行车辆再辨识。本发明利用神经架构搜索自适应地依据硬件约束进行神经网络的搭建,得到兼具效率与性能的轻量化网络,可以在大规模的神经网络设计中减轻人工设计和调试的负担。
Description
技术领域
本发明涉及计算机视觉与机器学习技术领域,具体涉及基于神经架构搜索的车辆再辨识轻量化方法及系统。
背景技术
车辆再辨识是指在一个特定范围内的交通监控场景下,判断非重叠区域内拍摄的车辆图像是否属于同一辆车的检索问题。车辆再辨识算法以车辆整体的表象特征实现车辆识别。具体地,车辆再辨识通过将特定的车辆图像作为查询图像,从海量图像数据库中检索出相应的车辆图像,以实现目标车辆的快速搜寻。但是,目前基于深度学习的车辆再辨识算法采用复杂深度网络模型,导致其在推理阶段计算量大,制约了车辆再辨识推理速度,限制了车辆再辨识在实际交通监控系统的推广与应用。
神经网络架构搜索(NAS)作为自动机器学习(AutoML)的一个重要组成部分,旨在自动的搜索最优神经网络架构,并能产生最先进的神经网络,其效率优于手动设计的神经网络。因此,需要提供一种基于神经网络架构搜索的车辆再辨识轻量化方法,兼顾车辆再辨识准确性和推理速度。
发明内容
本发明的目的在于解决现有技术中采用的深度网络模型过于复杂,计算量制约了车辆再辨识推理速度,限制了车辆再辨识在实际交通监控系统的推广与应用。
本发明解决其技术问题所采用的技术方案是:提供一种基于神经架构搜索的车辆再辨识轻量化方法,包括:
S1,构建基于神经架构搜索的网络模型,所述网络模型根据给定的硬件约束生成对应的架构生成器,利用测试集训练架构生成器,得到训练好的架构生成器;
S2,将硬件约束输入到训练好的架构生成器,得到多个轻量化神经网络架构模型;
S3,采集车辆再辨识数据并进行数据增强,得到车辆再辨识数据集;
S4,利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练及验证,选择验证效果最好的轻量化神经网络架构模型作为轻量化车辆再辨识网络;
S5,基于轻量化车辆再辨识网络,计算目标车辆图像与候选库中车辆图像的特征相似度,根据相似度大小输出再辨识结果。
优选的,所述S2中,给定多个硬件约束,输入到训练好的架构生成器,架构生成器通过一次前向传递生成对应多个约束的多个轻量化神经网络架构模型。
优选的,所述S2中,给定目标硬件约束C,架构生成器生成最佳架构参数,表示为:
其中,表示架构生成器的最佳权重,/>表示采用了最佳权重/>的架构生成器的目标函数,最小验证损失/>采用交叉熵损失函数,/>满足/>,/>表示架构参数为/>的架构生成器生成轻量化神经网络架构模型的计算成本,表示为:
其中, 表示轻量化神经网络架构模型中第l层第i个块的计算成本,/>表示块的权重。
优选的,所述S3的数据增强具体为,对车辆再识别数据中的图片进行水平和垂直翻转,然后进行随机擦除增强,所述随机擦除增强指随机选择图像的矩形区域,并使用随机值擦除其像素。
优选的,所述S4中,利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练,直至架构生成器G的整体损失函数收敛,架构生成器G的整体损失函数表示为:
其中,最小验证损失采用交叉熵损失函数, λ是权衡最小验证损失和硬件约束损失的超参数,/>为硬件约束的损失函数,表示为:
其中,表示架构参数为/>的架构生成器生成轻量化神经网络架构模型的计算成本,/>表示硬件约束。
优选的,所述S4中,每个轻量化神经网络架构模型中的所有卷积层,均设置通道大小为32,步幅为1;采用Adam优化器迭代更新神经网络权重,批大小为128,以学习率0.001对架构生成器进行50个epoch的训练,动量为(0.5,0.999),权重衰减为0。
优选的,所述S5中,目标车辆图像与候选库中车辆图像分别经过轻量化车辆再辨识模型,输出目标车辆特征和候选库车辆特征,计算目标车辆特征与候选库车辆特征的欧氏距离,并将候选库中所有车辆图像的欧氏距离按从小到大进行排序,欧氏距离最小的图片即为相似度最高的车辆图片,输出作为车辆再辨识结果。
本发明还提供一种基于神经架构搜索的车辆再辨识轻量化系统,包括:
网络模型构建模块,用于构建基于神经架构搜索的网络模型,网络模型根据给定的硬件约束生成对应的架构生成器,利用测试集训练架构生成器,得到训练好的架构生成器;
神经网络生成模块,用于将硬件约束输入到训练好的架构生成器,得到多个轻量化神经网络架构模型;
数据采集模块,用于采集车辆再辨识数据并进行数据增强,得到车辆再辨识数据集;
训练模块,用于利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练及验证,选择验证效果最好的轻量化神经网络架构模型作为轻量化车辆再辨识网络;
辨识模块,用于基于轻量化车辆再辨识网络,计算目标车辆图像与候选库中车辆图像的特征相似度,根据相似度大小输出再辨识结果。
本发明具有如下有益效果:
(1)利用神经架构搜索自适应地依据硬件约束进行神经网络的搭建,得到兼具效率与性能的车辆再辨识轻量化网络,实现最大化利用硬件条件,而无需再人为地进行神经网络的设计搭建,此方法可以在大规模的神经网络设计中减轻人工设计和调试的负担;
(2)车辆再辨识轻量化网络的网络参数基于车辆再辨识数据集,经过损失函数训练,能够得到更适用于车辆再辨识的网络模型,有效提升车辆再辨识网络的鲁棒性和准确性,因而在实际场景中更具适用性。
以下结合附图及实施例对本发明作进一步详细说明,但本发明不局限于实施例。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例的系统结构图。
具体实施方式
参见图1所示,为本发明实施例的方法流程图,包括:
S1,构建基于神经架构搜索的网络模型,网络模型根据给定的硬件约束生成对应的架构生成器,利用测试集训练架构生成器,得到训练好的架构生成器。
具体的,S1中网络模型采用神经架构搜索,包含一个称为架构生成器的搜索策略,通过生成子网络来搜索子网络,从而使搜索过程更加高效和灵活。
S2,将硬件约束输入到训练好的架构生成器,得到多个轻量化神经网络架构模型。
具体的,S2中,使用经过训练的神经架构生成器,在给定目标硬件约束作为输入的情况下,仅通过一次前向传递就可以为N个约束生成N个良好的体系结构,而无需重新搜索和再训练超网。
在每次迭代中,给定硬件约束和随机先验,架构生成器可以生成架构参数。有了,相应的成本/>可以通过等式计算,可以基于带有/>的预训练超网N来预测架构生成器总损失。无论给定什么约束,架构生成器都会生成架构参数以获得最佳预测结果。
给定目标硬件约束,架构生成器/>根据/>为硬件约束/>生成最佳架构参数/>,使得/>以获得最佳预测结果,其中,/>表示生成器中的最佳权重;/>表示最佳架构参数;/>表示最小验证损失,采用交叉熵损失函数。
硬件约束的损失函数为:
。
通过组合硬件约束损失和最小验证损失/>,架构生成器G的整体损失为:
其中,是权衡验证损失和硬件约束损失的超参数。
通过上述损失函数对生成器模型架构进行监督训练,直至收敛,得到轻量化的车辆再辨识模型。所有卷积层的通道大小设置为32,并将步幅设置为1,确保输出形状与随机先验的形状相同。通过上述损失函数对生成器模型架构进行监督训练,直至收敛,得到轻量化的车辆再辨识模型。
其中Adam优化器的批大小为128,以学习率0.001对架构生成器进行50个epoch的训练,动量为(0.5,0.999),权重衰减为0。
S3,采集车辆再辨识数据并进行数据增强,得到车辆再辨识数据集。
具体的,从数据集中随机抽取50,000张图像(每个类50张图像)作为验证集,其余的作为训练集。将原始验证集作为测试集来衡量每个模型的最终性能。输入图像先进行水平和垂直翻转,然后对其进行随机擦除增强,弱化样本数据中的噪声,提高模型稳定性,图片分辨率为224×224。
S4,利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练及验证,选择验证效果最好的轻量化神经网络架构模型作为轻量化车辆再辨识网络。
具体的,在所述训练集上训练模型并在所述验证集上评测模型性能。重复该过程多次,选择使得评测性能最好的网络架构作为最佳的网络架构。
S5,基于轻量化车辆再辨识网络,计算目标车辆图像与候选库中车辆图像的特征相似度,根据相似度大小输出再辨识结果。
具体的,基于轻量化车辆再辨识模型获得目标车辆图像特征与候选库车辆图像特征,计算二者欧氏距离,对候选库中所有车辆图像与目标车辆图像的欧式距离按从小到大进行排序,根据欧氏距离大小输出相似度最高的候选库车辆图片作为车辆再辨识结果。
参见图2所示,为本发明实施例的系统结构图,包括:
网络模型构建模块201,用于构建基于神经架构搜索的网络模型,网络模型根据给定的硬件约束生成对应的架构生成器,利用测试集训练架构生成器,得到训练好的架构生成器;
神经网络生成模块202,用于将硬件约束输入到训练好的架构生成器,得到多个轻量化神经网络架构模型;
数据采集模块203,用于采集车辆再辨识数据并进行数据增强,得到车辆再辨识数据集;
训练模块204,用于利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练及验证,选择验证效果最好的轻量化神经网络架构模型作为轻量化车辆再辨识网络;
辨识模块205,用于基于轻量化车辆再辨识网络,计算目标车辆图像与候选库中车辆图像的特征相似度,根据相似度大小输出再辨识结果。
本发明一种基于神经架构搜索的车辆再辨识轻量化方法及系统,利用神经架构搜索自适应地依据硬件约束进行神经网络的搭建,得到兼具效率与性能的轻量化网络,而无需再人为地进行神经网络的设计搭建,此方法可以在大规模的神经网络设计中减轻人工设计和调试的负担。其中网络参数基于车辆再辨识数据集经过损失函数训练,能够得到更适用于车辆再辨识的网络模型,有效提升车辆再辨识网络的鲁棒性和准确性,因而在实际场景中更具适用性。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于神经架构搜索的车辆再辨识轻量化方法,其特征在于,包括:
S1,构建基于神经架构搜索的网络模型,所述网络模型根据给定的硬件约束生成对应的架构生成器,利用测试集训练架构生成器,得到训练好的架构生成器;
S2,将硬件约束输入到训练好的架构生成器,得到多个轻量化神经网络架构模型;
S3,采集车辆再辨识数据并进行数据增强,得到车辆再辨识数据集;
S4,利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练及验证,选择验证效果最好的轻量化神经网络架构模型作为轻量化车辆再辨识网络;
S5,基于轻量化车辆再辨识网络,计算目标车辆图像与候选库中车辆图像的特征相似度,根据相似度大小输出再辨识结果。
2.根据权利要求1所述的基于神经架构搜索的车辆再辨识轻量化方法,其特征在于,所述S2中,给定多个硬件约束,输入到训练好的架构生成器,架构生成器通过一次前向传递生成对应多个约束的多个轻量化神经网络架构模型。
3.根据权利要求2所述的基于神经架构搜索的车辆再辨识轻量化方法,其特征在于,所述S2中,给定目标硬件约束C,架构生成器生成最佳架构参数,表示为:
;
其中, 表示架构生成器的最佳权重,/>表示采用了最佳权重/>的架构生成器的目标函数,最小验证损失/>采用交叉熵损失函数,/>满足/>,/>表示架构参数为/>的架构生成器生成轻量化神经网络架构模型的计算成本,表示为:
;
其中,表示轻量化神经网络架构模型中第l层第i个块的计算成本,/>表示块的权重。
4.根据权利要求1所述的基于神经架构搜索的车辆再辨识轻量化方法,其特征在于,所述S3的数据增强具体为,对车辆再识别数据中的图片进行水平和垂直翻转,然后进行随机擦除增强,所述随机擦除增强指随机选择图像的矩形区域,并使用随机值擦除其像素。
5.根据权利要求1所述的基于神经架构搜索的车辆再辨识轻量化方法,其特征在于,所述S4中,利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练,直至架构生成器G的整体损失函数收敛,架构生成器G的整体损失函数表示为:
;
其中,最小验证损失采用交叉熵损失函数, />是权衡最小验证损失和硬件约束损失的超参数,/>为硬件约束的损失函数,表示为:
;
其中, 表示架构参数为/>的架构生成器生成轻量化神经网络架构模型的计算成本,/>表示硬件约束。
6.根据权利要求5所述的基于神经架构搜索的车辆再辨识轻量化方法,其特征在于,所述S4中,每个轻量化神经网络架构模型中的所有卷积层,均设置通道大小为32,步幅为1;采用Adam优化器迭代更新神经网络权重,批大小为128,以学习率0.001对架构生成器进行50个epoch的训练,动量为(0.5,0.999),权重衰减为0。
7.根据权利要求1所述的基于神经架构搜索的车辆再辨识轻量化方法,其特征在于,所述S5中,目标车辆图像与候选库中车辆图像分别经过轻量化车辆再辨识模型,输出目标车辆特征和候选库车辆特征,计算目标车辆特征与候选库车辆特征的欧氏距离,并将候选库中所有车辆图像的欧氏距离按从小到大进行排序,欧氏距离最小的图片即为相似度最高的车辆图片,输出作为车辆再辨识结果。
8.一种基于神经架构搜索的车辆再辨识轻量化系统,其特征在于,包括:
网络模型构建模块,用于构建基于神经架构搜索的网络模型,网络模型根据给定的硬件约束生成对应的架构生成器,利用测试集训练架构生成器,得到训练好的架构生成器;
神经网络生成模块,用于将硬件约束输入到训练好的架构生成器,得到多个轻量化神经网络架构模型;
数据采集模块,用于采集车辆再辨识数据并进行数据增强,得到车辆再辨识数据集;
训练模块,用于利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练及验证,选择验证效果最好的轻量化神经网络架构模型作为轻量化车辆再辨识网络;
辨识模块,用于基于轻量化车辆再辨识网络,计算目标车辆图像与候选库中车辆图像的特征相似度,根据相似度大小输出再辨识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311301590.7A CN117036911A (zh) | 2023-10-10 | 2023-10-10 | 一种基于神经架构搜索的车辆再辨识轻量化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311301590.7A CN117036911A (zh) | 2023-10-10 | 2023-10-10 | 一种基于神经架构搜索的车辆再辨识轻量化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117036911A true CN117036911A (zh) | 2023-11-10 |
Family
ID=88628555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311301590.7A Pending CN117036911A (zh) | 2023-10-10 | 2023-10-10 | 一种基于神经架构搜索的车辆再辨识轻量化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036911A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740653A (zh) * | 2018-12-25 | 2019-05-10 | 北京航空航天大学 | 一种融合视觉表观与时空约束的车辆再识别方法 |
CN113159115A (zh) * | 2021-03-10 | 2021-07-23 | 中国人民解放军陆军工程大学 | 基于神经架构搜索的车辆细粒度识别方法、系统和装置 |
CN113269312A (zh) * | 2021-06-03 | 2021-08-17 | 华南理工大学 | 一种联合量化与剪枝搜索的模型压缩方法及其系统 |
CN114022697A (zh) * | 2021-09-18 | 2022-02-08 | 华侨大学 | 基于多任务学习与知识蒸馏的车辆再辨识方法及系统 |
US20220092416A1 (en) * | 2018-12-27 | 2022-03-24 | Google Llc | Neural architecture search through a graph search space |
CN114898217A (zh) * | 2022-06-15 | 2022-08-12 | 哈尔滨理工大学 | 基于神经网络架构搜索的高光谱分类方法 |
US20230091062A1 (en) * | 2020-03-10 | 2023-03-23 | Sensen Networks Group Pty Ltd. | Systems and Methods for Image-Based Location Determination and Parking Monitoring |
-
2023
- 2023-10-10 CN CN202311301590.7A patent/CN117036911A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740653A (zh) * | 2018-12-25 | 2019-05-10 | 北京航空航天大学 | 一种融合视觉表观与时空约束的车辆再识别方法 |
US20220092416A1 (en) * | 2018-12-27 | 2022-03-24 | Google Llc | Neural architecture search through a graph search space |
US20230091062A1 (en) * | 2020-03-10 | 2023-03-23 | Sensen Networks Group Pty Ltd. | Systems and Methods for Image-Based Location Determination and Parking Monitoring |
CN113159115A (zh) * | 2021-03-10 | 2021-07-23 | 中国人民解放军陆军工程大学 | 基于神经架构搜索的车辆细粒度识别方法、系统和装置 |
CN113269312A (zh) * | 2021-06-03 | 2021-08-17 | 华南理工大学 | 一种联合量化与剪枝搜索的模型压缩方法及其系统 |
CN114022697A (zh) * | 2021-09-18 | 2022-02-08 | 华侨大学 | 基于多任务学习与知识蒸馏的车辆再辨识方法及系统 |
CN114898217A (zh) * | 2022-06-15 | 2022-08-12 | 哈尔滨理工大学 | 基于神经网络架构搜索的高光谱分类方法 |
Non-Patent Citations (1)
Title |
---|
江苏省人工智能协会: ""面向煤矿井下边缘视觉感知的低代码开发平台关键技术及应用指南-征求意见稿"" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Stagewise unsupervised domain adaptation with adversarial self-training for road segmentation of remote-sensing images | |
Cheng et al. | Cspn++: Learning context and resource aware convolutional spatial propagation networks for depth completion | |
CN110443818B (zh) | 一种基于涂鸦的弱监督语义分割方法与系统 | |
US20220138495A1 (en) | Model and method for multi-source domain adaptation by aligning partial features | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
Chen et al. | Psvit: Better vision transformer via token pooling and attention sharing | |
CN112560656A (zh) | 一种联合注意力机制端到端训练的行人多目标跟踪方法 | |
CN110070116B (zh) | 基于深度树状训练策略的分段式选择集成图像分类方法 | |
CN108596243B (zh) | 基于分级注视图和条件随机场的眼动注视图预测方法 | |
CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
Zhou et al. | Multi-objective evolutionary generative adversarial network compression for image translation | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
CN117081063A (zh) | 一种基于GCN-Crossformer模型的分布式充电负荷预测方法及系统 | |
CN116824330A (zh) | 一种基于深度学习的小样本跨域目标检测方法 | |
CN117036911A (zh) | 一种基于神经架构搜索的车辆再辨识轻量化方法及系统 | |
Li et al. | Research on YOLOv3 pedestrian detection algorithm based on channel attention mechanism | |
CN115775231A (zh) | 一种基于Cascade R-CNN的金具缺陷检测方法及系统 | |
Li et al. | RU-Net: Solar panel detection from remote sensing image | |
CN114565791A (zh) | 一种人物档案识别方法、装置、设备及介质 | |
ZiWen et al. | Multi-objective Neural Architecture Search for Efficient and Fast Semantic Segmentation on Edge | |
CN113095328A (zh) | 一种基尼指数引导的基于自训练的语义分割方法 | |
Yang et al. | NAM net: meta-network with normalization-based attention for few-shot learning | |
CN107633010B (zh) | 一种复杂造型grc板块图像的识别方法和系统 | |
Wang et al. | Reliable network search based on evolutionary algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |